XiaoMi-AI文件搜索系统
World File Search System视频数据
快速高速激光通信演示...
摘要 — 本文报告了从快速机载平台到地面站的高速率自由空间光通信下行链路的演示。所用的飞行平台是 Panavia Tornado，激光通信终端安装在附加的航空电子演示吊舱中。配备自由空间接收器前端的可移动光学地面站用作接收站。选择的通信下行链路波长和信标激光的上行链路波长与 C 波段 DWDM 网格兼容。开发了新的光机跟踪系统，并将其应用于两侧，以实现链路捕获和稳定。飞行测试于 2013 年 11 月底在德国曼奇的空中客车防务与航天公司附近进行。该活动成功展示了数据速率为 1.25 Gbit/s 的飞机下行链路激光通信的成熟度和准备就绪性。我们根据链路预算评估、开发的光机终端技术和飞行活动的结果概述了实验设计。试验本身侧重于机载终端和地面站的跟踪性能。可在飞机速度高达 0.7 马赫时测量性能，并传输来自机载摄像机的视频数据。在瞬时跟踪误差分别低于 60 μ rad 和 40 μ rad 时，机载终端和地面站的跟踪精度高达 20 μ rad rms。
基于水下计算机视觉的视频溺水检测设备
抽象溺水是一个重要的公共健康问题。视频溺水检测算法是找到溺水受害者的有用工具。但是，溺水研究研究的三个挑战通常会遇到：缺乏实际的溺水视频数据，微妙的早期溺水特征以及缺乏实时时间。在本文中，作者提出了一个水下计算机视觉的溺水检测装置，该检测设备由嵌入式AI设备，相机和防水外壳组成，以解决上述问题。检测设备利用Jetson Nano的高性能计算通过在获得的水下视频流中提出的溺水检测算法实现溺水事件的实时检测。所提出的溺水检测算法主要由两个阶段组成：在第一步中，成功地解决了周围环境的干扰，并为视频溺水检测提供了值得信赖的基础，Yolov5N网络用于根据溺水者的特征来检测近事实的人体。在第二阶段，作者提出了一个基于深层高斯模型，用于快速特征向量检测。轻巧的DDN与高斯模型相结合，以检测高级语义特征的异常，该功能具有更高的鲁棒性，并解决了缺乏溺水视频的缺乏。实验结果表明，所提出的溺水检测算法具有良好的全面性能和实际应用值。
实时漏油检测和分类的深度学习框架
抽象有效检测油泄漏对于最大程度地减少环境破坏至关重要。这项研究介绍了一种利用深度学习的新颖方法，特别是Yolov8体系结构，并增强了用于漏油检测的先进计算机视觉技术。通过细致的数据集策划和模型训练，Yolov8模型的总体准确性（R-评分）为0.531，平均平均精度（MAP）为0.549。的性能在不同的溢出类型上有所不同，该模型在区分漏油和自然特征方面表现出明显的准确性，分别达到了高达0.75和0.68的精度和召回率，以进行光泽检测。可视化（例如盒子丢失，班级损失和混乱矩阵）提供了对模型性能动态的见解，揭示了损失的稳定下降和对时期准确性的提高。在此数据集中，测量值是由安特卫普·布鲁日（Antwerp Bruges）港口执行的无人机测量。此外，实用的应用显示了该模型在检测图像和视频数据中各种漏油类型方面的多功能性，从而确认其在环境监测和灾难响应方案中实际部署的潜力。这项研究代表着朝着更有效的漏油事件检测的重大迈进，这有助于环境可持续性和弹性工作。
通过语义分析实现自动对象分类
当前用于对象识别和分类的方法主要依赖于单帧图像中的静态信息。但是，对于战斗空中视频（通常是低分辨率视频），几乎无法获得用于对象分类和识别的所有静态索引。为了应对这一挑战，我们提出了一种创新的3D和动态语义场景分析的方法，该方法利用监视视频数据主要是从无人机平台捕获的，以对静态对象进行分类（例如建筑物）和移动对象（例如车辆）自动。在我们提出的自动对象检测和分类框架中，除了3D静态对象的视觉特征（例如建筑物或车辆的形状，线取向，颜色和纹理）以及城市环境的3D静态结构，我们还探索了动态视频功能，其中包括随时间推移的车辆运动图案。所有这些静态和动态特征都将被视为构造时空特征向量，然后将新生成的向量发送到实时和自动建筑物和车辆分类的概率动态影响图（DID）推理模型。此外，我们还提出了有关自动建筑物检测，3D地形建模和可视化的新颖3D算法，以支持准确的对象分类/分类。1。简介
视频监控的大数据分析
摘要 本文讨论了大数据分析在视频监控中的使用和范围及其潜在应用领域。当今的技术时代为用户提供了在每个时刻生成数据的充足机会。因此，一般来说，全世界每时每刻都会产生大量数据。其中，生成的视频数据量占主要份额。教育、医疗保健、旅游、饮食文化、地理探索、农业、安全、娱乐等是每天生成大量视频数据的关键领域。其中大部分是从安全摄像机捕获并每天记录的日常监控数据。存储、检索、处理和分析如此庞大的数据需要一些特定的平台。大数据分析就是这样一个平台，它简化了这项分析任务。本文旨在研究视频监控的当前趋势及其使用大数据分析的应用。本文还旨在关注大数据框架中视觉监控的研究机会。我们在此报告了四种不同成像模式的最先进的监控方案：传统视频场景、遥感视频、医疗诊断和水下监控。近年来，该研究领域已报告了几项工作，并根据研究人员解决的挑战进行了分类。列出了使用大数据框架进行视频监控的工具列表。最后，讨论了该领域的研究差距。
Edge-Cloud协作流媒体视频分析，具有多代理深度强化学习
摘要 - 播放视频分析侧重于来自多个资源的流视频数据的实时分析，例如安全摄像机和具有视频功能的IoT设备。它涉及各种技术的应用，以从实时视频流中提取有价值的信息。边缘计算和云计算通过利用两端的计算资源来促进视频流分析，从而使高精度和低延迟均可有助于。但是，视频流动行为是动态的，并且在边缘和云中不断发展。网络条件，计算资源和视频内容可能会迅速变化，这使得连续调整分析方法至关重要，以提供准确的结果。以前的作品是基于深神经网络（DNN）或启发式算法的，从历史数据或合成数据中学习了适当的部署计划，用于流式传输视频分析应用程序，因此无法捕获动态。因此，我们提出了基于加强学习的方法，可以适应视频流行为的持续变化。为了确保在分布式环境中进行视频分析的可伸缩性，我们实现了Smotic G Ate 2，这是一个分布式流媒体视频分析系统，具有优化的处理管道和基于RL-RL-基于RL-RL-的控制器，以快速适应跨边缘和云的系统配置。在真实测试床上进行的实验表明，我们的方法优于基准，确保实时视频分析和在动态和分布式环境中的高精度。
egoexolearn：用于桥接异步自我
抽象能够将他人的活动映射到自己的观点中，即使从很小的时候就开始是一种基本的人类技能。迈向理解这种人类能力的一步，我们介绍了EgoExolearn，这是一个大规模的数据集，该数据集在过程之后模仿人类的演示，在该过程中，个人在执行以exentric-exentric-view示范视频为指导的任务时记录了以自我为中心的视频。关注日常援助和专业支持中的潜在应用，Egoexolearn Conconconconconconconconconconcons conconce concection和示范视频数据涵盖了在日常生活场景和专业实验室中捕获的120小时的120小时。与视频一起，我们记录了高质量的凝视数据并提供了详细的多模式注释，并构建了一个游乐场，用于建模人类从不同观点桥接异步程序动作的能力。为此，我们提出了基准，例如跨视图协会，跨视图行动计划和跨视图所引用的技能评估以及详细的分析。我们期望EgoExolearn可以作为跨越观点弥合行动的重要资源，从而为创建能够通过在现实世界中观察人类进行缝隙学习的AI代理铺平了道路。数据集和基准代码可在https：//github.com/opengvlab/egoeexolearn上找到。
连接车辆的有效数据传输框架
摘要 - 连接的车辆（CVS）在连续的大数据传输方面面临重大挑战，导致较高的传输带宽成本和影响实时决策。为了解决这个问题，我们提出了基于强化学习和时间压缩感知的两种动态驾驶感知机制，以智能压缩视频数据。这些机制适应驾驶条件，减少带宽，同时保留足够的信息以进行准确的应用，例如对象检测并确保在需要时确保高质量的重建。我们还实施了一个集成这些机制的车辆边缘库云（VEC）闭环框架。具体来说，轻巧的车辆模型对压缩数据（测量）进行实时检测，而Edgeserver则在需要时接收测量并重建场景。然后将测量结果，重建视频和分析结果发送到云中以进行车辆模型更新。与传统方法不同，我们的框架无缝地适应了跨车辆，边缘服务器和云，从而支持有效的数据传输和动态模型更新。在我们设计的路边单元平台和机器人车辆上进行了广泛的评估，这些车辆配备了行业级传感器和计算单元。结果表明，与非自适应测量值相比，在320kb/s的带宽下降低了18倍，同时保持高检测精度和重建质量，突出了该框架对CVS的有希望的现实世界应用。
基于人工智能的自动交通调节器
摘要 - 基于人工智能 (AI) 的自主交通管制是指对交通流量的管理和控制。为了收集有关交通状况的实时数据，人们使用了传感器、摄像头和通信网络。然后，这些数据由 AI 算法进行评估和处理，以产生见解并做出判断。AI 驱动的自主交通管制旨在通过减少拥堵、提高安全性等方式来提高系统效率。使用利用 AI 的自主交通管制的优势在于能够处理和收集大量实时数据并得出结论。这使系统能够根据不断变化的交通状况快速调整交通流量。基于 AI 的算法还可用于从以前的交通模式和情况中学习，以创建更准确的未来预测和结论。对于自主交通管制，可以应用各种 AI 算法，包括强化学习、机器学习、深度学习。基于深度学习的算法可用于解释来自摄像机的照片和视频数据，通过机器学习算法可以发现交通数据中的模式和趋势。强化学习算法可用于从过去学习并根据奖励信号做出选择。为了保证这些系统的可靠性和安全性，确保这些系统的设计和部署具有适当的保护措施至关重要。这种人工智能系统还可以实时调整以适应不断变化的交通模式和道路状况，使交通管理过程更加灵敏和动态。因此，交通相关的排放减少和燃油效率可能会有所改善。总体而言，人工智能用于开发智能交通系统，这取得了重大进展，有可能彻底改变交通管理并确保更有效、更安全、更可持续的交通系统。
博士生：Donato的Lorenzo
建筑”和“整合AI和DTS：铁路维护应用程序及其他地区的挑战和机遇”（详细信息如下）。实验实验在Roadrunner中模拟虚拟铁路方案的模拟，以收集模拟安装在火车头上的相机的合成视频数据。然后，研究了无监督的深度学习方法，用于在铁轨上进行基于视觉的异常检测，并在LNU高性能计算中心（HPCC）资源的支持下。其他活动：我参加了LNU组织的“ 2022年大数据会议”，我还介绍了一张名为“铁路机器学习应用程序中的数据集挑战的海报：关卡越过监控和轨道障碍物检测的案例研究”。然后，在托管大学的邀请下，我举行了一个研讨会，标题为“铁路领域的AI集成路线图：当前的项目结果和案件研究的概述”。i为准备一本书的书《铁路中的人工智能：当前的应用，挑战和正在进行的研究》做出了贡献（详细信息如下）。博士学位论文在博士学位论文中，洛伦佐·de Donato在铁路安全和维护应用中讨论了引入人工智能（AI），特别是深度学习（DL）的方法和应用。主要是围绕DL技术与具有成本效益和非侵入性传感器（相机和麦克风）的组合，以及这些可能引入的机会支持自主火车以及不断监控安全性铁路资产的机会的机会。